[发明专利]图像去模糊模型的生成方法、图像去模糊方法和电子设备

权利要求书

1.一种图像去模糊模型的生成方法，其特征在于，包括如下步骤：

构建基于编码-解码结构的人工智能模型，所述人工智能模型包括编码部分和解码部分，其中编码部分用于从输入图像中提取特征，解码部分用于从提取的所述特征中还原出清晰的图像；

采用模糊-清晰图像对，对所述人工智能模型进行训练，得到用于去除图像模糊的图像去模糊模型，其中，所述模糊-清晰图像对包括清晰图像和基于所述清晰图像生成的模糊图像；

在对所述人工智能模型进行训练的步骤中，根据所述模糊图像输入所述人工智能模型后输出的图像和对应的所述清晰图像之间的均方差，计算梯度损失，然后根据所述梯度损失更新所述人工智能模型；计算梯度损失的步骤包括：

将所述模糊-清晰图像对中的模糊图像输入到所述人工智能模型中，输出第一图像；

将所述模糊-清晰图像对中的清晰图像作为第二图像，计算所述第一图像和第二图像之间的第一均方差损失；

再将所述第一图像和第二图像分别送入随机初始化的三层VGG网络中，获得对应的两个输出，计算所述两个输出的第二均方差损失；

然后根据所述第一均方差损失和第二均方差损失计算梯度损失；

所述三层VGG网络为VGG16或VGG19，使用3×3卷积核尺寸和2×2最大池化尺寸。

2.根据权利要求1所述的方法，其特征在于，

所述人工智能模型包括深度学习神经网络模型，所述深度学习神经网络模型为卷积神经网络模型或生成对抗网络模型；

所述人工智能模型使用批归一化和层归一化进行归一化。

3.根据权利要求1或2所述的方法，其特征在于，所述模糊-清晰图像对通过如下步骤生成：

对满足预设要求的清晰图像进行模糊化处理，获得与所述清晰图像对应的模糊图像，从而组成所述模糊-清晰图像对；

所述模糊化处理包括：不同强度的高斯模糊处理和/或不同强度的运动模糊处理。

4.一种图像去模糊的方法，其特征在于，采用如权利要求1至3中任一项所述的生成方法生成用于图像去模糊的人工智能模型，并采用其对待处理的输入图像进行去模糊处理。

5.一种图像去模糊模型的生成系统，其特征在于，包括：

输入模块，用于输入训练图像；

模型搭建模块，用于搭建基于编码-解码结构的人工智能模型；所述人工智能模型包括编码部分和解码部分，其中编码部分从输入图像中提取特征，解码部分从提取的特征中还原出清晰的图像；

模型训练模块，用于采用模糊-清晰图像对，对所述人工智能模型进行训练；

所述模型训练模块根据梯度损失迭代更新所述人工智能模型；

计算所述梯度损失的步骤具体包括：

将模糊-清晰图像对中的模糊图像输入到所述人工智能模型中，输出第一图像；

将模糊-清晰图像对中的对应清晰图像作为第二图像，计算所述第一图像和第二图像之间的第一均方差损失；

再将所述第一图像和第二图像分别送入随机初始化的三层VGG网络中，获得对应的两个输出，计算所述两个输出的第二均方差损失；

然后根据所述第一均方差损失和第二均方差损失计算梯度损失；

所述三层VGG网络为VGG16或VGG19，使用3×3卷积核尺寸和2×2最大池化尺寸。

6.根据权利要求5所述的图像去模糊模型的生成系统，其特征在于，

所述人工智能模型包括深度学习神经网络模型；

所述深度学习神经网络模型为卷积神经网络模型或生成对抗网络模型；

所述人工智能模型使用批归一化和层归一化进行归一化；

所述模糊-清晰图像对通过如下步骤生成：

对满足预设要求的清晰图像进行模糊化处理，获得与所述清晰图像对应的模糊图像，从而组成所述模糊-清晰图像对；

所述模糊化处理包括：不同强度的高斯模糊处理和/或不同强度的运动模糊处理。

7.一种电子设备，包括处理器和存储器，所述存储器用于存储计算机可执行程序，其特征在于，当所述计算机可执行程序被所述处理器执行时，所述处理器执行如权利要求1至4中任一项所述的方法。

8.一种计算机可读介质，存储有计算机可执行程序，其特征在于，所述计算机可执行程序被执行时，实现如权利要求1至4中任一项所述的方法。